当我们要hive来做类似于大批量数据的select时,也许问题就会发生了变化。
1. 通用解决方案之分页
首先,我们要基于一个事实,就是没有哪个数据库可以无限制的提供我们select任意数据量的数据。比如常用的 mysql, oracle, 一般你select 10w左右的数据量时已经非常厉害了。而我们的解决方法也比较简单,那就是分页获取,比如我一页取1w条,直到取完为止。同样,因为hive基于都支持sql92协议,所以你也可以同样的方案去解决大数据量的问题。
分页的解决方案会有什么问题?首先,我们要明白分页是如何完成的,首先数据库server会根据条件运算出所有或部分符合条件的数据(取决是否有额外的排序),然后再根据分页偏移信息,获取相应的数据。所以,一次次的分页,则必定涉及到一次次的数据运算。这在小数据量的情况下是可以接受的,因为计算机的高速运转能力。但是当数据量大到一定程序时,就不行了。比如我们停滞了许多年的大数据领域解决方案就是很好的证明。
本文基于hive处理数据,也就是说数据量自然也是大到了一定的级别,那么用分页也许就不好解决问题了。比如,单次地运算也许就是3-5分钟(基于分布式并行计算系统能力),当你要select 100w数据时,如果用一页1w的运算,那么就是100次来回,1次3-5分钟,100次就是5-8小时的时间,这就完全jj了。谁能等这么长时间?这样处理的最终结果就是,业务被砍掉,等着财务结账了。
所以,我们得改变点什么!
2. 使用hive-jdbc
jdbc本身不算啥,只是一个连接协议。但它的好处在于,可以维持长连接。这个连接有个好处,就是server可以随时输出数据,而client端则可以随时处理数据。这就给了我们一个机会,即比如100w的数据运算好之后,server只需源源不断的输出结果,而client端则源源不断地接收处理数据。
所以,我们解决方案是,基于hive-jdbc, 不使用分页,而全量获取数据即可。这给我们带来莫大的好处,即一次运算即可。比如1次运算3-5分钟,那么总共的运算也就是3-5分钟。
看起来不错,解决了重复运算的问题。好似万事大吉了。
具体实现就是引入几个hive-jdbc的依赖,然后提交查询,依次获取结果即可。样例如下:
- -- pom 依赖 -->
- -- https://mvnrepository.com/artifact/org.apache.hive/hive-jdbc -->
-
org.apache.hive -
hive-jdbc -
2.3.4 -
-
- --
- // 测试hive-jdbc
- import java.sql.Connection;
- import java.sql.PreparedStatement;
- import java.sql.ResultSet;
- import java.sql.SQLException;
- import java.sql.Statement;
-
- import java.sql.DriverManager;
-
- public class HiveJdbcTest {
- private static Connection conn = getConnnection();
- private static PreparedStatement ps;
- private static ResultSet rs;
- // 获取所有数据
- public static void getAll(String tablename) {
- String sql="select * from " + tablename;
- System.out.println(sql);
- try {
- ps = prepare(conn, sql);
- rs = ps.executeQuery();
- int columns = rs.getMetaData().getColumnCount();
- while(rs.next()) {
- for(int i=1;i<=columns;i++) {
- System.out.print(rs.getString(i));
- System.out.print("\t\t");
- }
- System.out.println();
- }
- }
- catch (SQLException e) {
- e.printStackTrace();
- }
-
- }
- // 测试
- public static void main(String[] args) {
- String tablename="t1";
- HiveJdbcTest.getAll(tablename);
- }
-
- private static String driverName = "org.apache.hive.jdbc.HiveDriver";
- private static String url = "jdbc:hive2://127.0.0.1:10000/";
- private static Connection conn;
- // 连接hive库
- public static Connection getConnnection() {
- try {
- Class.forName(driverName);
- conn = DriverManager.getConnection(url, "hive", "123");
- }
- catch(ClassNotFoundException e) {
- e.printStackTrace();
- }
- catch (SQLException e) {
- e.printStackTrace();
- }
- return conn;
- }
- public static PreparedStatement prepare(Connection conn, String sql) {
- PreparedStatement ps = null;
- try {
- ps = conn.prepareStatement(sql);
- }
- catch (SQLException e) {
- e.printStackTrace();
- }
- return ps;
- }
- }
样例代码,无需纠结。简单的jdbc操作样板。总体来说就是,不带分页的接收全量数据。
但是,这个会有什么问题?同样,小数据量时无任何疑问,但当数据量足够大时,每一次的数据接收,都需要一次网络通信请示,且都是单线程的。我们假设接受一条数据花费1ms, 那么接收1000条数就是1s, 6k条数据就是1min。36w条数据就是1h, 额,后面就无需再算了。同样是不可估量的时间消耗。(实际情况也许会好点,因为会有buffer缓冲的存在)
为什么会这样呢?运算量已经减小了,但是这网络通信量,我们又能如何?实际上,问题不在于网络通信问题,而在于我们使用这种方式,使我们从并行计算转到了串行计算的过程了。因为只有单点的数据接收,所以只能将数据汇集处理。从而就是一个串行化的东西了。
所以,我们更多应该从并行这一层面去解决问题。
3. 基于临时表实现
要解决并行变串行的问题,最根本的办法就是避免一条条读取数据。而要避免这个问题,一个很好想到的办法就是使用临时表,绕开自己代码的限制。让大数据集群自行处理并行计算问题,这是个不错的想法。
但具体如何做呢?我们面临至少这么几个问题:
- 如何将数据写入临时表?
- 写入临时表的数据如何取回?是否存在瓶颈问题?
- 临时表后续如何处理?
我们一个个问题来,第1个,如何写临时表问题:我们可以选择先创建一个临时表,然后再使用insert into select ... from ... 的方式写入,但这种方式非常费力,首先你得固化下临时表的数据结构,其次你要处理多次写入问题。看起来不是最好的办法。幸好,hive中或者相关数据库产品都提供了另一种更方便的建临时表的方法: create table xxx as select ... from ... 你只需要使用一个语句就可以将结果写入到临时表了。但需要注意的是,我们创建时,需要指定好我们需要的格式,否则最终结果也许不是我们想要的,比如我们需要使用','分隔数据而非tab, 我们需要使用 text 形式的数据,而非压缩的二进制格式。
以下是个使用样例:
- -- 外部使用 create table 包裹
- CREATE TABLE tmp_2020110145409001
- ROW FORMAT DELIMITED
- FIELDS TERMINATED BY ','
- STORED AS TEXTFILE as
- -- 具体的业务select sql
- select t1.*, t2.* from test t1 left join test2 t2 on t1.id = t2.t_id
- ;
如此,我们就得到所需的结果了。以上结果,在hive中表现为一个临时表。而其背后则是一个个切分的文件,以','号分隔的文本文件,且会按照hive的默认存储目录存放。(更多具体语法请查询官网资料)
接下来,我们要解决第2个问题:如何将数据取回?这个问题也不难,首先,现在结果已经有了,我们可以一行行地读取返回,就像前面一样。但这时已经没有了数据运算,应该会好很多。但明显还是不够好,我们仍然需要反复的网络通信。我们知道,hive存储的背后,是一个个切分的文件,如果我们能够将该文件直接下载下来,那将会是非常棒的事。不错,最好的办法就是,直接下载hive的数据文件,hive会存储目录下,以类似于 part_0000, part_0001... 之类的文件存放。
那么,我们如何才能下载到这些文件呢?hive是基于hadoop的,所以,很明显我们要回到这个问题,基于hadoop去获取这些文件。即 hdfs 获取,命令如下:
- // 查看所有分片数据文件列表
- hdfs dfs -ls hdfs://xx/hive/mydb.db/*
- // 下载所有数据文件到 /tmp/local_hdfs 目录
- hdfs dfs -get hdfs://xx/hive/mydb.db/* /tmp/local_hdfs
我们可以通过以上命令,将数据文件下载到本地,也可以hdfs的jar包,使用 hdfs-client 进行下载。优缺点是:使用cli的方式简单稳定但依赖于服务器环境,而使用jar包的方式则部署方便但需要自己写更多代码保证稳定性。各自选择即可。
最后,我们还剩下1个问题:如何处理临时表的问题?hive目前尚不支持设置表的生命周期(阿里云的maxcompute则只是一个 lifecycle 选项的问题),所以,需要自行清理文件。这个问题的实现方式很多,比如你可以自行记录这些临时表的创建时间、位置、过期时间,然后再每天运行脚本清理表即可。再简单点就是你可以直接通过表名进行清理,比如你以年月日作为命令开头,那么你可以根据这日期删除临时表即可。如:
- -- 列举表名
- show tables like 'dbname.tmp_20201101*';
- -- 删除具体表名
- drop table dbname.tmp_2020110100001 ;
至此,我们的所有问题已解决。总结下:首先使用临时表并行地将结果写入;其次通过hdfs将文件快速下载到本地即可;最后需要定时清理临时表;这样,你就可以高效,无限制的为用户拉取大批量数据了。
不过需要注意的是,我们的步骤从1个步骤变成了3个步骤,增加了复杂度。(实际上你可能还会处理更多的问题,比如元数据信息的对应问题)复杂度增加的最大问题就在于,它会带来更多的问题,所以我们一定要善于处理好这些问题,否则将会带来一副作用。